字节 中国交易与广告 AI 全栈实习一面:MCP、A2A 与 Skill 的分层
- 轮次
- 一面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 项目整体架构是什么?为什么选择这些技术和框架?Spring AI 和 Pi 的职责有什么区别?
- 上下文和项目记忆做了哪些建设?多 Agent 之间如何协作?
- MCP 是怎么接入的?MCP 和 A2A 有什么区别?
- MCP 暴露的工具太多会带来什么问题?能否在工具注册阶段处理?
- 有了 MCP 和 A2A,为什么还需要 Skill?Skill 的实现机制是什么?
- 如果有几百个 Skill,怎么减少上下文占用?领域划分不清、选错领域或者任务跨领域时怎么办?
- Agent 任务轮次多、Token 消耗大,面对几百上千用户时如何降低成本?
- 算法题:求字符串中最长回文子串的长度,要求 O(N²) 时间复杂度。
《参考解析》
MCP、A2A、Skill 分属三层,不要混着答:MCP 解决的是「模型怎么调用外部能力」——它是一套客户端与服务端之间的协议,把工具、资源、提示模板以标准方式暴露出来,重点是能力的接入与发现;A2A 解决的是「Agent 之间怎么协作」——任务委派、能力卡片、状态与产物的传递,重点是跨进程、跨组织的任务编排;Skill 是「怎么做一件事」的知识封装,通常包含指令、脚本与参考资料,按需加载进上下文。一句话概括:MCP 给手脚,A2A 给同事,Skill 给作业手册。
工具过多的问题要在注册阶段解决:每个工具的名称、描述、参数 schema 都占系统提示的 token,几百个工具会挤占上下文、拖慢首字、并显著降低选择准确率(相近描述的工具互相干扰)。注册阶段可以做的事:按领域分组并以「组」为单位暴露,提供 search_tools 之类的元工具做二次检索,工具描述去重与规范化,把低频工具下沉为「先查文档再调用」的两段式。运行时再配合权限过滤——只把当前任务允许的工具放进上下文。
几百个 Skill 的上下文策略是分层路由加按需加载:第一层放每个 Skill 的一行摘要(名称、适用场景、触发词),由路由器选出候选;第二层加载候选 Skill 的正文与脚本;第三层在执行中按需读取引用文件。领域划分不清时用「多标签 + 置信度阈值」,低于阈值就走澄清或让模型先做意图分类;任务跨领域时不要强行归到一个领域,而是允许多个 Skill 组合,并在执行计划里显式列出依赖顺序。衡量指标是路由准确率与平均加载 token 数,两者要一起看。
Token 成本要先归因再优化:把一次任务的消耗拆成系统提示、Skill 正文、历史对话、工具返回、模型输出五部分,找出占比最大的那块。常见手段:稳定前缀(系统提示与工具表)保持字节级不变以命中 KV Cache,历史按轮次摘要并保留结构化结论,工具返回只取必要字段并对大结果做截断加引用,简单子任务路由到小模型,批量任务做请求合并与结果缓存。注意缓存命中率是成本的主变量——前缀里插入时间戳、动态权限列表这类「每次都不一样」的内容,会让整段缓存失效。
最长回文子串的中心扩展:枚举 2n−1 个中心(n 个单字符中心 + n−1 个间隙中心),每个中心向两侧扩展直到不相等,记录最大半径;奇数长度答案为 2r+1,偶数长度为 2r。时间复杂度 O(N²)、空间 O(1)。边界要处理空串与单字符;若面试官追加「能不能更快」,再提 Manacher 的 O(N)——预处理插入分隔符统一奇偶,维护当前最右回文边界与对称点,可避免重复扩展。